論文の概要: DenseTRF: Texture-Aware Unsupervised Representation Adaptation for Surgical Scene Dense Prediction

• arxiv url: http://arxiv.org/abs/2605.11265v1
• Date: Mon, 11 May 2026 21:43:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.443359
• Title: DenseTRF: Texture-Aware Unsupervised Representation Adaptation for Surgical Scene Dense Prediction
• Title（参考訳）: テクスチャを意識したDenseTRF : 外科的シーンデンス予測のための教師なし表現適応
• Authors: Guiqiu Liao, Matjaž Jogan, Daniel A. Hashimoto,
• Abstract要約: テクスチャ中心の注意に基づく自己教師型表現適応フレームワークDenseTRFを提案する。 DenseTRFは、監視なしでターゲット分布に表現を適用することにより、ドメインシフトに対する堅牢性を大幅に改善する。 複数の外科手術における実験は、最先端のセグメンテーションモデルと比較して、クロスディストリビューションの一般化の改善を実証している。
• 参考スコア（独自算出の注目度）: 0.609006146869448
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dense prediction tasks in surgical computer vision, such as segmentation and surgical zone prediction, can provide valuable guidance for laparoscopic and robotic surgery. However, these models often suffer from distribution shifts, as training datasets rarely cover the variability encountered during deployment, leading to poor generalization. We propose DenseTRF, a self-supervised representation adaptation framework based on texture-centric attention. Our method leverages slot attention to learn texture-aware representations that capture invariant visual structures. By adapting these representations to the target distribution without supervision, DenseTRF significantly improves robustness to domain shifts. The framework is implemented through conditioning dense prediction on slot attention and model merging strategies. Experiments across multiple surgical procedures demonstrate improved cross-distribution generalization in comparison to state-of-the-art segmentation models and test-distribution adaptation methods for dense prediction tasks.
• Abstract（参考訳）: セグメンテーションや手術ゾーン予測といった手術用コンピュータビジョンにおける難易度予測タスクは、腹腔鏡下手術やロボット手術のための貴重なガイダンスを提供することができる。 しかしながら、これらのモデルは分散シフトに悩まされることが多く、トレーニングデータセットはデプロイメント中に発生する変動をほとんどカバーしないため、一般化は不十分である。 テクスチャ中心の注意に基づく自己教師型表現適応フレームワークDenseTRFを提案する。 この手法はスロットアテンションを利用して、不変な視覚構造をキャプチャするテクスチャ認識表現を学習する。 DenseTRFは、これらの表現を監視なしでターゲット分布に適応することにより、ドメインシフトに対する堅牢性を大幅に改善する。 このフレームワークはスロットアテンションとモデルマージ戦略を高密度に予測することで実装される。 複数の外科手術における実験は、最先端のセグメンテーションモデルや高密度予測タスクに対するテスト分散適応法と比較して、クロスディストリビューションの一般化の改善を実証している。

関連論文リスト

• Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
  Subset-Selected Counterfactual Augmentation (SS-CA) 我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。 実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-15T08:39:22Z)
• Resource-efficient Automatic Refinement of Segmentations via Weak Supervision from Light Feedback [1.8082075562656847]
  SCOREは、トレーニング中の光フィードバックのみを用いてマスク予測を洗練することを学ぶ弱教師付きフレームワークである。 上腕骨CTスキャンにおいてSCOREを実証し、初期予測を大幅に改善し、既存の精錬法と同等の性能を達成する。
  論文  参考訳（メタデータ） (2025-11-04T13:53:10Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• UWarp: A Whole Slide Image Registration Pipeline to Characterize Scanner-Induced Local Domain Shift [0.8636895084411372]
  種々の条件下でスキャンされた組織学的スライドを整列させる新しい登録ツールであるUWarpをベースとしたドメインシフト解析フレームワークを提案する。 実験により、UWarpは既存のオープンソース登録方法より優れており、中央値のターゲット登録誤差(TRE)は4ピクセル未満であることが示された。 UWarpを用いて、乳がんの病態応答予測のための深層学習モデルであるBreaast-NEOprAIdictの予測において、スキャナによる局所ドメインシフトを特徴付ける。
  論文  参考訳（メタデータ） (2025-03-26T15:48:38Z)
• Generalized Face Forgery Detection via Adaptive Learning for Pre-trained Vision Transformer [54.32283739486781]
  適応学習パラダイムの下で,textbfForgery-aware textbfAdaptive textbfVision textbfTransformer(FA-ViT)を提案する。 FA-ViTは、クロスデータセット評価において、Celeb-DFおよびDFDCデータセット上で93.83%と78.32%のAUCスコアを達成する。
  論文  参考訳（メタデータ） (2023-09-20T06:51:11Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification [5.6512908295414]
  本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。 分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。 実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-06-27T09:02:16Z)
• Consistent Posterior Distributions under Vessel-Mixing: A Regularization for Cross-Domain Retinal Artery/Vein Classification [30.30848090813239]
  網膜A/V分類におけるクロスドメイン学習のための船舶混合型整合性正規化フレームワークを提案する。 提案手法は,対象ドメインに対する教師付き学習によって得られる上界に近い,最先端のクロスドメイン性能を実現する。
  論文  参考訳（メタデータ） (2021-03-16T14:18:35Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)
• Towards Better Surgical Instrument Segmentation in Endoscopic Vision: Multi-Angle Feature Aggregation and Contour Supervision [22.253074722129053]
  本稿では、現在のディープニューラルネットワーク(DNN)セグメンテーションモデルを改善するための汎用的な埋め込み可能なアプローチを提案する。 本手法は,外科医の手術から収集したSinus-Surgeryデータセットのアブレーション実験により検証した。
  論文  参考訳（メタデータ） (2020-02-25T05:28:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。